機器學習及其套用(2020年機械工業出版社出版的圖書)

《機器學習及其套用》是2020年5月機械工業出版社出版的圖書，作者是[印]M. 戈帕爾（M. Gopal）。該書講述了關於機器學習的綜合性教程，涵蓋全部基礎知識和理論，涉及不同套用領域的技術和算法。書中提出，機器學習背後的大多數想法都是簡單且直接的。

基本介紹

• 中文名：機器學習及其套用
• 作者：[印]M. 戈帕爾（M. Gopal）
• 類別：文化/書籍
• 出版社：機械工業出版社
• ISBN：9787111654148

內容簡介

為了鼓勵讀者在實踐中理解機器學習算法，本書提供一個配套平台，利用自我學習的機器學習項目，再結合一些基準測試套用的數據集，通過實驗比較書中介紹的各類算法，從而實現深入理解。本書對於入門階段的研究生和學者非常有益，會為進一步的深入研究打好基礎。此外，本書也適合對機器學習感興趣的工程師和其他技術人員閱讀。

圖書目錄

譯者序

前言

致謝

作者簡介

第1章引言

11走向智慧型機器

12良好的機器學習問題

13各種領域的套用實例

14數據表示

141時間序列預測

142練習數據集和現實問題數據集

15機器學習生產套用所需的領域知識

16多樣化的數據：結構的/非結構的

17學習形式

171監督/直接學習

172無監督/間接學習

173強化學習

174基於自然過程的學習：進化、群智和免疫系統

18機器學習和數據挖掘

19機器學習技術中的基本線性代數知識

110機器學習的相關資源

第2章監督學習：基本原理和基礎知識

21從觀察中學習

22偏差和方差

23為什麼學習是有效的：計算學習理論

24奧卡姆剃刀原理和防止過擬合

25歸納學習中的啟發式搜尋

251搜尋假設空間

252集成學習

253學習系統的評估

26泛化誤差估計

261留出法和隨機子採樣

262交叉驗證

263自助法

27用於評估回歸（數值預測）準確率的度量指標

271均方誤差

272平均誤差

28用於評估分類（模式識別）準確率的度量指標

281誤分類的誤差

282混淆矩陣

283基於ROC曲線的分類器比較

29機器學習中的設計周期和問題概述

第3章統計學習

31機器學習和推斷統計分析

32學習技術中的描述統計學

321表示數據的不確定性：機率分布

322機率分布的描述性度量

323數據樣本的描述性度量

324常態分配

325數據相似性

33貝葉斯推理：推理的一種機率方法

331貝葉斯定理

332樸素貝葉斯分類器

333貝葉斯信念網路

34k近鄰分類器

35判別函式和回歸函式

351分類和判別函式

352數值預測和回歸函式

353實用假設函式

36基於小二乘誤差準則的線性回歸

361小化誤差平方和以及偽逆

362梯度下降最佳化方案

363小均方算法

37用於分類任務的邏輯回歸

38費希爾的線性判別和分類的閾值

381費希爾的線性判別

382閾值

39小描述長度原則

391貝葉斯視角

392熵和信息

第4章學習支持向量機

41引言

42二元分類的線性判別函式

43感知器算法

44用於線性可分離數據的線性邊距的分類器

45用於重疊類的線性軟邊距分類器

46核函式約簡的特徵空間

47非線性分類器

48支持向量機的回歸器

481線性回歸器

482非線性回歸器

49將多元分類問題分解為二元分類任務

491一對所有

492一對一

410基本SVM技術的變體

第5章基於神經網路的學習

51走向認知機器

52神經元模型

521生物神經元

522人工神經元

523數學模型

53網路架構

531前饋網路

532循環網路

54感知器

541線性分類任務中感知器算法的局限性

542使用回歸技術的線性分類器

543標準梯度下降最佳化方案：速下降

55線性神經元和WidrowHoff學習規則

56誤差修正的delta規則

57多層感知器網路和誤差反向傳播算法

571廣義的delta規則

572收斂和局部小值

573為梯度下降增加動量項

574誤差反向傳播算法的啟發式方面

58MLP網路的多元判別

59徑向基函式網路

510遺傳神經系統

第6章模糊推理系統

61引言

62認知不確定性和模糊規則庫

63知識的模糊量化

631模糊邏輯

632模糊集

633模糊集操作

634模糊關係

64模糊規則庫和近似推理

641通過模糊關係量化規則

642輸入的模糊化

643推理機制

644推斷模糊集的去模糊化

65模糊推理系統的MAMDANI模型

651移動障礙物中的移動機器人導航

652抵押貸款評估

66TS模糊模型

67神經模糊推理系統

671ANFIS架構

672ANFIS如何學習

68遺傳模糊系統

第7章數據聚類和數據轉換

71無監督學習

72數據工程

721探索性數據分析：了解數據中的內容

722聚類分析：查找數據中的相似性

723數據轉換：增強數據的信息內容

73基本聚類方法概述

731分割聚類

732層次聚類

733譜聚類

734使用自組織映射進行聚類

74K均值聚類

75模糊K均值聚類

76期望化算法和高斯混合聚類

761EM算法

762高斯混合模型

77一些有用的數據轉換

771數據清洗

772衍生屬性

773離散化數值屬性

774屬性約簡技術

78基於熵的屬性離散化方法

79用於屬性約簡的主成分分析

710基於粗糙集的屬性約簡方法

7101粗糙集基礎

7102屬性相關性分析

7103屬性約簡

第8章決策樹學習

8.1引言

8.2決策樹分類的例子

8.3評估決策樹分裂的不純度度量

8.3.1信息增益/熵減少

8.3.2增益比

8.3.3基尼係數

8.4 ID3、C45以及CART決策樹

8.5樹的剪枝

8.6決策樹方法的優勢和劣勢

8.7模糊決策樹

第9章商業智慧型與數據挖掘：技術和套用

9.1關於分析的簡介

9.1.1機器學習、數據挖掘和預測分析

9.1.2基本分析技術

9.2CRISPDM(跨行業數據挖掘標準流程)模型

9.3數據倉庫和線上分析處

作者簡介

---作者簡介---

M. 戈帕爾（M. Gopal） 機器學習領域的知名學者，曾任印度理工學院教授，擁有40餘年的教學及研究經驗，感興趣的方向為機器學習、模式識別和智慧型控制。他的教材和視頻課程在全球範圍內廣為採用，是YouTube上頗受歡迎的課程之一，學生數以百萬計。

---譯者簡介---

黃智瀕 計算機系統結構博士，北京郵電大學計算機學院講師。長期從事機器學習、超大規模並行計算、GPU加速計算以及三維計算機視覺和深度學習架構方面的研究。楊武兵 博士，中國航天空氣動力技術研究院研究員，長期從事計算空氣動力學、流動穩定性和湍流等方面的研究。其團隊長期致力於用深度神經網路和各類機器學習方法，研究基於大渦模擬和直接數值模擬的流場流動結構的智慧型識別技術，推進人工智慧在空氣動力學領域的套用。